吳良平，張健

(1.四川師范大學(xué)商學(xué)院，四川成都610101;

2.四川師范大學(xué)數(shù)學(xué)與軟件科學(xué)學(xué)院，四川成都610068)

危機(jī)事件下中國入境旅游的受損格局與影響機(jī)制研究

吳良平1，張健2

(1.四川師范大學(xué)商學(xué)院，四川成都610101;

2.四川師范大學(xué)數(shù)學(xué)與軟件科學(xué)學(xué)院，四川成都610068)

本文基于計量經(jīng)濟(jì)學(xué)模型及統(tǒng)計分析方法，以1991～2011年中國入境旅游相關(guān)數(shù)據(jù)為基礎(chǔ)，探究金融危機(jī)等事件下中國入境旅游的受損格局與影響機(jī)制。研究發(fā)現(xiàn):(1)各客源國或地區(qū)到中國旅游人數(shù)均出現(xiàn)2010年恢復(fù)效果明顯、2011年恢復(fù)效果較弱的特征，但受損幅度差異很大，恢復(fù)狀況也不盡相同。截至2011年底，各客源國或地區(qū)到中國旅游人數(shù)均未恢復(fù)至預(yù)測水平。(2)各客源國或地區(qū)收入水平、自身價格和替代價格的變化量，與各客源國或地區(qū)到中國旅游人數(shù)的減少量具有長期協(xié)整關(guān)系。收入水平、自身價格和替代價格的變化最終導(dǎo)致了入境旅游人數(shù)的減少。游客在考慮到中國旅行時，個人收入成為大部分客源國或地區(qū)游客的主要決定因素，自身價格和替代價格的影響效果也不可忽視。

危機(jī)事件;入境旅游;預(yù)測建模;受損格局;影響機(jī)制

旅游被認(rèn)為是一種任意的消費品(Song，Lin，2010)，旅游需求會受到不利經(jīng)濟(jì)條件的影響。金融危機(jī)等不可預(yù)測的危機(jī)或事件會對世界各地區(qū)的入境旅游產(chǎn)生深刻影響。

作為旅游大國，入境旅游是中國旅游業(yè)的重要組成部分。在世界各地區(qū)遭受金融危機(jī)等事件影響下，境外游客到中國旅游的情況也發(fā)生了變化。除金融危機(jī)外，其他危機(jī)事件也時有發(fā)生。但金融危機(jī)因其影響范圍廣、影響程度大、持續(xù)時間長，對中國入境旅游的影響將會起到主導(dǎo)作用(張健，吳良平，2013)。故本文將金融危機(jī)和其他事件看成一個危機(jī)事件整體，探究危機(jī)事件下中國入境旅游的受損格局與影響機(jī)制。本文從兩個方面展開研究:一方面，以2008年前中國15個主要客源國或地區(qū)①15個主要客源國或地區(qū)為中國臺灣、中國香港、中國澳門、日本、韓國、俄羅斯、新加坡、馬來西亞、菲律賓、澳大利亞、英國、德國、法國、美國和加拿大。中國旅游人數(shù)為樣本，采用組合預(yù)測模型，分別對各客源國或地區(qū)旅游人數(shù)進(jìn)行預(yù)測，然后根據(jù)各客源國或地區(qū)受金融危機(jī)等事件影響的變化情況分析中國入境旅游需求的受損格局;另一方面，采用時間序列法，以金融危機(jī)前各客源國或地區(qū)國內(nèi)生產(chǎn)總值(GDP)、居民消費價格指數(shù)(CPI)和匯率(EX)為樣本，預(yù)測金融危機(jī)后各客源國或地區(qū)這3個指標(biāo)值，并將各客源國或地區(qū)到中國旅游人數(shù)的減少(百分比)與各客源國或地區(qū)收入水平、中國相對于客源國或地區(qū)的自身價格與中國相對于替代目的地的替代價格的減少(百分比)進(jìn)行單位根檢驗、邊限檢驗和UECM建模，探究金融危機(jī)等事件下中國入境旅游需求的影響機(jī)制。

1 研究背景

1.1 旅游需求建模與預(yù)測

旅游需求建模與預(yù)測的有效方法主要有時間序列模型、計量經(jīng)濟(jì)模型和其他定量模型。時間序列模型通過純粹的時間序列進(jìn)行分析、檢驗以及預(yù)測;計量經(jīng)濟(jì)方法則將旅游需求影響因素或者決定因素包括在內(nèi);而其他定量方法主要包括了人工智能技術(shù)。計量經(jīng)濟(jì)模型的優(yōu)點在于，它不僅能夠使研究者獲得預(yù)測值，而且能夠幫助他們評估政策事件對旅游需求的影響(Song，Li，2008)。關(guān)于旅游需求建模與預(yù)測的文獻(xiàn)非常豐富，已有超過500多篇的研究論文被發(fā)表(Crouch，1995; Witt，Witt，1995;Lim，1999;Li，et al.，2005;Song，Li，2008)，研究內(nèi)容主要是關(guān)于不同定量方法在旅游需求、旅游產(chǎn)品或者旅游特定目的地以及旅游服務(wù)等方面的應(yīng)用。

旅游需求預(yù)測的效果和精度對旅游業(yè)具有重要的經(jīng)濟(jì)影響，主要體現(xiàn)在基礎(chǔ)設(shè)施和人力資源的旅游投資方面。預(yù)測的精度和方向改變都是很重要的預(yù)測誤差度量，因為不同的利益相關(guān)者傾向于不同的誤差度量(Witt，Witt，1991;Witt，et al.，2003)。比如，政策制定者對旅游需求的轉(zhuǎn)折點感興趣(尤其在經(jīng)濟(jì)低迷時期)，而金融投資者則會重點關(guān)注他們的投資回報。組合方法在旅游需求預(yù)測中的應(yīng)用就與旅游需求預(yù)測的效果和精度相關(guān)。Wong等(2007)和Song等(2009)認(rèn)為組合預(yù)測能夠在很大程度上降低預(yù)測失效的風(fēng)險，并強(qiáng)烈支持該方法在旅游預(yù)測中的應(yīng)用。Shen等(2008)提供了組合預(yù)測對預(yù)測效果非常有幫助的證據(jù)。

預(yù)測模型的預(yù)測精度與影響旅游需求的相關(guān)不確定性因素有關(guān)(Bonham，2006)，而這些不確定性因素主要包括了不可預(yù)期的危機(jī)或事件，比如戰(zhàn)爭、恐怖襲擊、金融危機(jī)、自然災(zāi)害、流行病等。在實際建模過程中，應(yīng)根據(jù)這些不確定因素的性質(zhì)，采取不同的處理方式。如果危機(jī)是自然異常事件，旅游需求會隨著危機(jī)消除回歸正常，通常處理這類危機(jī)的方法是采用一次性沖擊變量(Kulendran，Witt，2001;Song et al.，2003;Kuo et al.，2008;Wang，2009);而如果危機(jī)會對旅游需求產(chǎn)生持續(xù)影響，研究者在刻畫危機(jī)影響效應(yīng)時一般采用時變參數(shù)模型(TVP)(Song，Wong，2003;Li，et al.，2006)。但當(dāng)危機(jī)處于不斷頻發(fā)時(比如全球金融危機(jī))，預(yù)測者可采用兩種傳統(tǒng)方法——德爾菲調(diào)查法和方案分析法來評估危機(jī)影響(Tideswell，et al.，2001;Prideaux，et al.，2003)。此外，研究者一般采用時間序列法來獲得計量經(jīng)濟(jì)方法中的解釋變量預(yù)測值，比如指數(shù)平滑法(Song，et al.，2003; Lim，et al.，2009)，但有些研究者也采用預(yù)測機(jī)構(gòu)和國際組織提供的二次預(yù)測數(shù)據(jù)(Song，Lin，2010)。

1.2 金融危機(jī)等事件的影響研究

金融危機(jī)對各地區(qū)旅游業(yè)產(chǎn)生了負(fù)面影響。Smeral(2009)分析了金融危機(jī)對歐洲旅游業(yè)的影響;Wang(2009)探究了金融危機(jī)對中國臺灣入境旅游需求的影響; Song和Lin(2010)定量研究了金融危機(jī)對亞洲出境和入境旅游的影響;Ritchie等(2010)通過對北美旅游的分析得出，加拿大和美國的旅游業(yè)均受到了金融危機(jī)的影響;Papatheodorou等(2010)的研究發(fā)現(xiàn)，國際金融危機(jī)雖然一方面對國際旅游業(yè)產(chǎn)生了負(fù)面影響，但另一方面卻促進(jìn)了國內(nèi)旅游業(yè)的發(fā)展;Smeral(2010)在價格和匯率不變的前提下，就旅游進(jìn)口問題著重分析并預(yù)測了澳大利亞、加拿大、美國、日本4國，以及歐盟15個國家的出境旅游需求;Song等(2011)確定了影響酒店住宿需求的因素，然后預(yù)測酒店住宿需求季度數(shù)據(jù)，以評估金融危機(jī)的影響;Poudyal(2013)針對美國國家公園游訪月度數(shù)據(jù)，采用了廣義矩估計方法評估了金融危機(jī)下經(jīng)濟(jì)衰退對國家公園游訪的影響;吳良平和張健(2013)基于中國入境旅游月度人數(shù)和收入，分析了金融危機(jī)對中國入境旅游的影響。Ritchie等(2010)發(fā)現(xiàn)墨西哥旅游業(yè)受豬流感、匯率變動以及不利天氣條件的影響，相比金融危機(jī)事件的自身影響更直接、程度更大。Page等(2012)提出了一種計量經(jīng)濟(jì)框架，分離和估計了豬流感和金融危機(jī)對英國入境旅游需求的影響。

2 研究方法

2.1 單項預(yù)測模型

2.1.1 SARIMA模型

ARMA(Auto-Regressive and Moving Average)模型是一類常用的隨機(jī)時間序列模型，由英美統(tǒng)計學(xué)者于20世紀(jì)70年代提出，也稱為B-J方法。該方法的建模過程包含了季節(jié)回歸和移動平均兩個因素，廣泛適用于預(yù)測具有季節(jié)性的時間序列。季節(jié)性差分自回歸移動平均模型(Seasonal Autoregressive Integrared Moving Average，SARIMA)是基于ARMA模型基礎(chǔ)之上，綜合d階趨勢差分和D階以周期S為步長的季節(jié)差分運算的時間序列方法。本文的數(shù)據(jù)序列為季度性數(shù)據(jù)，具有很強(qiáng)的季節(jié)性成分，所以很適合采用SARIMA模型。故本文首先采用插值法，剔除了2003年SARS的影響效應(yīng)，隨后預(yù)測各客源國或地區(qū)到中國的旅游人數(shù)。

2.1.2 UECM模型

UECM模型(Unconstrained Error Correction Model)是旅游需求建模常用的動態(tài)計量經(jīng)濟(jì)模型。該模型建立了旅游需求及其決定因素之間的因果聯(lián)系，并通過變量的當(dāng)前和滯后值，刻畫了游客做旅行決定的過程，具有動態(tài)的ADLM模型(Autoregressive Distributed Lag Model)的特征(Song，Lin，2010;Song，et al.，2012)。

根據(jù)Song等(2003)的研究結(jié)果，以下冪指數(shù)需求模型被提出:

式中，CHit表示t時間i客源國或地區(qū)到中國旅行的游客數(shù);Yit表示t時間i客源國或地區(qū)的收入水平;Pit表示t時間中國相對于i客源國或地區(qū)的自身價格;Pst表示t時間的替代價格;eit表示未被包含在方程中的其他因素的影響效果。

首先，自身價格的定義如下:

式中，CPIch和CPIi分別表示中國和i客源國或地區(qū)的居民消費水平，EXch和EXi分別表示中國和i客源國或地區(qū)的匯率。

其次，替代價格Pst需要選擇相應(yīng)客源國或地區(qū)作為替代目的地，從而獲得權(quán)重指標(biāo)。選擇中國臺灣、中國香港、日本、韓國和新加坡為替代目的地。

式中，j=1，2，3，4，5分別表示了中國臺灣、中國香港、日本、韓國和新加坡，wij表示客源國或地區(qū)i在替代目的地j的入境旅游人數(shù)中占有的分量，計量公式為:wij= CHij/∑5

j=1CHij，CHij表示從客源國或地區(qū)i到替代目的地j的入境旅游人數(shù)。然后對方程(1)兩邊同時取對數(shù)，可得到方程(4)。該方程能夠采用普通最小二乘法進(jìn)行估計，方程表達(dá)式如下:

式中α1，α2，α3分別表示收入水平、自身價格和替代價格的彈性系數(shù);α0=lnA;uit=lneit。

方程(4)是一個長期靜態(tài)的模型。但從游客做旅行決定的過程來看，游客做決定不僅依賴于目前的經(jīng)濟(jì)條件(收入，價格等)，而且還會考慮以前的各種信息，比如他人的旅行體驗(以便選擇目的地)或合適的出行時間(以便提前做好計劃)等。所以，具有動態(tài)特征的ADLM模型被旅游研究者采用(Song，et al.，2009)。然而，Pesaran等(2001)在ADLM模型的基礎(chǔ)上，提出了無約束誤差修正模型(UECM模型)。該模型同時整合了短期動態(tài)和長期動態(tài)，在旅游的實際研究中得到了很好的利用(Song，Lin，2010;Song et al.，2012)。UECM模型的表達(dá)式如下:

式中，p表示由AIC(Akaike Information Criterion)和SC(Schwar Criterion)準(zhǔn)則(選擇AIC和SC值最小時的滯后階數(shù)p值)確定的滯后階數(shù);εit為隨機(jī)誤差項，服從均值為零、標(biāo)準(zhǔn)差為σ的正態(tài)分布;系數(shù)1到p、η0到ηp、θ0到θp以及σ0到σp表示模型的近期動態(tài)關(guān)系，π1到π4表示了模型的長期動態(tài)關(guān)系;根據(jù)不同的研究時段，虛擬變量(dummy variables)被用于捕捉相關(guān)事件造成的一次性影響以及季節(jié)效應(yīng):沖擊發(fā)生時，虛擬變量取1，否則取0。

根據(jù)中國入境旅游發(fā)展的實際情況，本文采用的UECM模型框架如下:

式中，DQ2，DQ3，DQ4表示1年中的第2、3、4季度的季節(jié)沖擊;D97表示1997年的亞洲金融危機(jī)的沖擊(=1，1997Q3～1998Q2);D911表示2001年的9·11恐怖襲擊的沖擊(=1，2001Q3～2001Q4);D03表示2003年的SARS流行病的沖擊(=1，2003Q2)。

此外，UECM模型的建模需要滿足因變量與它的決定因素變量之間存在長期的協(xié)整關(guān)系。針對UECM模型的建立過程，Pesaran等(2001)提出了ADLM邊限和t－檢驗(簡記邊限檢驗)。該方法主要檢驗因變量和它的決定因素變量之間是否存在長期的協(xié)整關(guān)系。與傳統(tǒng)的協(xié)整檢驗方法相比，該方法具有如下的優(yōu)勢:其一，該方法并不要求所有的變量具有同階單整，適用于所有變量是零階單整、一階單整或者混合的形式;其二，該方法對于小樣本的檢驗優(yōu)于多變量的協(xié)整方法(Halicioglu，2007);其三，該方法估計了長期成分，避免了遺漏變量和自相關(guān)的影響(Narayan，2004)。后文呈現(xiàn)的ADLM邊限檢驗估計方程如下:

式中的π系數(shù)指定了變量之間的協(xié)整關(guān)系，F(xiàn)－統(tǒng)計量和t－統(tǒng)計量被用來檢驗這種協(xié)整關(guān)系:F-統(tǒng)計量的原假設(shè)為變量之間沒有協(xié)整關(guān)系(H0:π1=π2=π3=π4= 0);t－統(tǒng)計量的原假設(shè)為相對于滯后一階的PCH指標(biāo)沒有協(xié)整關(guān)系(H0:π1=0)。更多的細(xì)節(jié)請參看Song等(2011)的研究。本文模型的建立遵循由一般到特殊(general to specific)的方法(Song，et al.，2009)，該方法從一般模型開始，見式(6)，然后剔除由于不具有統(tǒng)計顯著性意義的不重要的變量。

2.1.3 VAR模型

VAR模型(Vector Autoregressive Model)是一種系統(tǒng)估計的方法，由Sims (1980)提出，已經(jīng)在宏觀建模與預(yù)測方面得到了廣泛應(yīng)用，近些年也成功地應(yīng)用到了旅游需求預(yù)測方面(Wong，et al.，2007;Song，et al.，2009;Chan，et al.，2010)。本文的研究除了常數(shù)、時間趨勢以及外部沖擊外，所有解釋變量均作為內(nèi)生的變量。由于滯后階數(shù)超過最優(yōu)滯后階數(shù)會降低模型自由度，而少于最優(yōu)滯后階數(shù)會導(dǎo)致數(shù)據(jù)生成過程的誤差，故解釋變量的滯后長度由AIC決定(Song，et al.，2000)。

2.2 方差－協(xié)方差組合方法

方差－協(xié)方差組合方法將各單項預(yù)測模型歷史數(shù)據(jù)的方差和協(xié)方差考慮在內(nèi)，最終獲得使組合預(yù)測誤差平方總和達(dá)到最小時的最優(yōu)化權(quán)重。最優(yōu)化權(quán)重的計算表達(dá)式如下:

3 數(shù)據(jù)說明

根據(jù)前人研究可知，影響中國入境旅游需求的主要因變量如下(Song，et al.，2003):客源國或地區(qū)的收入水平、中國相對于客源國或地區(qū)的自身價格和中國相對于替代目的地的替代價格等。其中，客源國或地區(qū)的收入水平用客源國或地區(qū)的實際國內(nèi)生產(chǎn)總值(GDP)(Y2005=100);自身價格和替代價格用客源國或地區(qū)的居民消費價格指數(shù)(CPI)(Y2005=100)和匯率(EX)(Y2005=100):匯率是當(dāng)時貨幣對美元的季節(jié)平均市場利率;選擇中國臺灣、中國香港、日本、新加坡和韓國為替代目的地(Song，et al.，2012)。此外，所有的GDP、CPI和EX數(shù)據(jù)序列時間段為1991Q1至2011Q4①由于數(shù)據(jù)獲取較為困難，所以文章只選取了1991年至2011年季度數(shù)據(jù)，然而變量之間具有的協(xié)整關(guān)系、建模過程和研究結(jié)果卻具有其時效性。，各客源國或地區(qū)的旅游人數(shù)數(shù)據(jù)序列時間從1991Q1到2011Q4。韓國、馬來西亞、俄羅斯、中國澳門和中國臺灣的旅游人數(shù)數(shù)據(jù)序列時間段分別為1995Q1至2011Q4、1996Q1至2011Q4、1995Q1至2011Q4、1997Q1至2011Q4以及1992Q1至2011Q4。

本文依據(jù)2007Q1至2007Q4數(shù)據(jù)序列的實際數(shù)據(jù)和預(yù)測數(shù)據(jù)，確定方差－協(xié)方差組合預(yù)測方法賦予各個單項預(yù)測模型的權(quán)重。所有季度數(shù)據(jù)來源于國際貨幣基金組織出版的國際金融統(tǒng)計年鑒、經(jīng)濟(jì)合作與發(fā)展組織(OECD)發(fā)布的SourceOECD數(shù)據(jù)庫、中國旅游統(tǒng)計年鑒，以及中國國家統(tǒng)計局網(wǎng)站②http://www.stats.gov.cn/。

4 實證研究

中國入境旅游市場中港澳臺市場占79.98%的份額，外國市場占20.02%。本文選擇的15個客源國或地區(qū)占中國入境旅游市場93.93%的份額，其中12個主要入境旅游國占外國旅游市場的份額為69.69%③中華人民共和國國家旅游局.中國旅游統(tǒng)計年鑒2012［Z］.北京:中國旅游出版社，2012.。所以，本文的研究能夠反映中國入境旅游的基本情況。

4.1 受損格局

本文以2008年以前15個客源國或地區(qū)的旅游人數(shù)為樣本，采用SARIMA模型、UECM模型和VAR模型作為單項預(yù)測模型，建立方差－協(xié)方差組合預(yù)測模型，分別對15個客源國或地區(qū)的旅游人數(shù)進(jìn)行預(yù)測(預(yù)測區(qū)間:2008Q1至2011Q4)，然后根據(jù)入境旅游人數(shù)的變化情況，分析金融危機(jī)等事件下中國入境旅游的受損格局。

表1 各客源國或地區(qū)到中國旅游人數(shù)受金融危機(jī)等事件的影響狀況

4.1.1 影響時間

關(guān)于金融危機(jī)等事件對中國入境旅游的影響時間，表1主要呈現(xiàn)為4個方面，分別是開始時間、恢復(fù)開始時間、恢復(fù)狀況相對顯著時間段、最大百分比時間。從15個客源國或地區(qū)的旅游人數(shù)受影響的開始時間看，主要集中在2008Q2，其中菲律賓和俄羅斯的開始時間分別為2008Q3和2008Q4，中國臺灣、中國澳門和日本的開始時間均為2008Q1。從恢復(fù)開始時間和恢復(fù)狀況相對顯著時間段來看，除了中國香港、中國澳門、韓國和俄羅斯外的11個客源國或地區(qū)的旅游人數(shù)都于2009Q3開始恢復(fù)，恢復(fù)狀況相對顯著的時間段分布于2009Q3至2011Q2之間，但是主要集中在2010年，雖然2011年各客源國或地區(qū)的旅游人數(shù)也處于恢復(fù)期，但恢復(fù)幅度相比2010年不是很大。從最大百分比時間來看，受金融危機(jī)等事件影響的最大百分比出現(xiàn)的時間幾乎平均分散于2009Q3至2011Q1。原因在于:雖然大部分客源國或地區(qū)的旅游人數(shù)于2009Q3開始恢復(fù)，但恢復(fù)幅度差異很大，恢復(fù)幅度超過自然增長幅度的地區(qū)在短時間內(nèi)達(dá)到最大百分比①自然增長幅度:按照以前無危機(jī)事件影響下，各地區(qū)每年應(yīng)該增長的幅度。，恢復(fù)幅度越小的城區(qū)，達(dá)到最大百分比的時間越滯后。

由此說明:金融危機(jī)席卷全球后，到中國的旅游人數(shù)便開始受到顯著影響，開始時間主要集中在2008Q2。隨后各客源地紛紛制定相關(guān)促進(jìn)政策以及應(yīng)急措施，從而在2010年獲得了明顯的恢復(fù)效果，但緣于2011年相關(guān)應(yīng)急措施的懈怠，2011年恢復(fù)效果較2010年稍弱。

4.1.2 受損幅度

金融危機(jī)等事件下各客源國或地區(qū)的旅游人數(shù)的受損幅度相差較大(見表1)，主要表現(xiàn)在:最大百分比最大值達(dá)57.26%，最小值卻只有18.22%，平均值為31.46%;平均受損幅度最大值為35.70%，最小值卻為6.26%，平均值為20.90%。從最大百分比和平均受損幅度來看，俄羅斯是受影響最大，馬來西亞受影響最小，除俄羅斯、韓國和馬來西亞外，其他客源國或地區(qū)的最大百分比和平均受損幅度基本集中在29%和20%左右，差額值相對較小。截至2011Q4，各客源國或地區(qū)的旅游人數(shù)實際值都未恢復(fù)至預(yù)測值。

為了更清楚地分析恢復(fù)狀況，本文將2011年與2007年各客源國或地區(qū)的實際人數(shù)進(jìn)行對比(見表1)，結(jié)果如下:未恢復(fù)的客源國或地區(qū)有3個，基本恢復(fù)的有3個，已恢復(fù)的有2個，超出的有4個，明顯超出的有3個。針對上述實證結(jié)果，本文做如下原因分析:(1)俄羅斯和韓國的最大百分比和平均受損幅度最高，所以2011年到中國旅游實際人數(shù)未達(dá)到2007年水平;(2)馬來西亞是最大百分比和平均受損幅度最低，所以2011年到中國旅游實際人數(shù)明顯超出2007年水平;(3)新加坡2011年到中國旅游實際人數(shù)超出了2007年水平的原因可能是，新加坡對于金融危機(jī)等事件的沖擊非常敏感，相關(guān)政策的實施效果顯著，且新加坡對于危機(jī)事件的恢復(fù)彈性比較強(qiáng)，是一個經(jīng)濟(jì)體系很活躍的國家，當(dāng)然這與新加坡的地理位置、經(jīng)濟(jì)狀況以及國土面積也有關(guān)系;(4)其他客源國或地區(qū)最大百分比和平均受損幅度都處于比較集中、差額不大的狀況，恢復(fù)幅度與各客源國或地區(qū)的經(jīng)濟(jì)水平和金融危機(jī)后的應(yīng)對策略有關(guān);(5)需要特別指出的是日本，最大百分比和平均受損幅度比較集中、差額不是很大(最大百分比于2009Q2達(dá)到32.63%，平均受損幅度為22.40%)，但卻成為到中國旅游人數(shù)未恢復(fù)至2007年水平的3個國家之一(日、俄、韓)，這應(yīng)該與其2011年3月受大地震影響以及福島縣發(fā)生核泄漏有關(guān)。

從上述分析可以看出，各客源國或地區(qū)到中國旅游人數(shù)受金融危機(jī)等事件的影響出現(xiàn)了不同層次的差異，與各客源國或地區(qū)與中國的距離遠(yuǎn)近無相關(guān)聯(lián)系。只是鑒于各客源國或地區(qū)的特性和抗危機(jī)能力，包括經(jīng)濟(jì)狀況、恢復(fù)的策略和地理位置等諸多原因，出現(xiàn)了不同的受損幅度和恢復(fù)狀況。

4.2 影響機(jī)制

4.2.1 協(xié)整關(guān)系檢驗

本文采用時間序列模型SARIMA和ARIMA，以2008年以前的15個客源國家或地區(qū)數(shù)據(jù)為樣本，分別對金融危機(jī)后的各客源國或地區(qū)GDP、EX和CPI進(jìn)行預(yù)測，得到2008Q1至2011Q4各客源國或地區(qū)收入水平、自身價格和替代價格的預(yù)測值，進(jìn)而得到同期這3個指標(biāo)的實際值相比預(yù)測值減少的百分比;然后分別乘以中國入境旅游人數(shù)UECM模型長期彈性系數(shù)的正負(fù)號;最后對處理后的各客源國或地區(qū)的旅游人數(shù)減少的百分比(PCH)與收入水平減少的百分比(PY)、自身價格減少的百分比(PPI)和替代價格減少的百分比(PPS)進(jìn)行邊限協(xié)整檢驗和UECM建模。

邊限協(xié)整檢驗之前需要確定所有的變量是零階單整、一階單整還是混合狀態(tài)，如果變量為二階單整將會造成邊限協(xié)整檢驗偽回歸的情況。故本文在考慮截距和趨勢項的情況下，采用了ADF檢驗和PP檢驗分別對所有的變量進(jìn)行單位根檢驗。表2顯示:15個主要客源國或地區(qū)的UECM模型的所有變量均是零階單整或一階單整(以ADF檢驗結(jié)果為例)。由此，本文可對15個客源國或地區(qū)的PCH、PY、PPI和PPS進(jìn)行邊限協(xié)整檢驗。由于各客源國或地區(qū)數(shù)據(jù)樣本較小，邊限協(xié)整檢驗只能進(jìn)行最多1階的滯后，所以F－統(tǒng)計量和t－統(tǒng)計量可由一階滯后的方程式(7)進(jìn)行計算得到，然后與Pesaran等(2001)計算的臨界值上下限進(jìn)行比較，判斷各客源國或地區(qū)的旅游人數(shù)變化狀況和決定因素變量的變化狀況之間是否存在長期協(xié)整關(guān)系。

表2 單位根檢驗(ADF檢驗)

由表3可以得出:在不包含趨勢項的檢驗下，依據(jù)F－統(tǒng)計量，13個客源國或地區(qū)在1%顯著性水平下拒絕原假設(shè)，新加坡在5%顯著性水平下拒絕原假設(shè)，加拿大接受原假設(shè);依據(jù)t－統(tǒng)計量，11個客源地區(qū)在1%顯著性水平下拒絕原假設(shè)，中國澳門在5%顯著性水平下拒絕原假設(shè)，美國在10%顯著性水平下拒絕原假設(shè)，菲律賓和加拿大接受原假設(shè)。在包含趨勢項的檢驗下，依據(jù)F－統(tǒng)計量，14個客源國或地區(qū)在1%顯著性水平下拒絕原假設(shè)，中國臺灣接受原假設(shè);依據(jù)t－統(tǒng)計量，12個客源國或地區(qū)在1%顯著性水平下拒絕原假設(shè)，馬來西亞在5%顯著性水平下拒絕原假設(shè)，日本在10%顯著性水平下拒絕原假設(shè)，中國臺灣接受原假設(shè)。所以整體來看，各客源國或地區(qū)收入水平、自身價格、替代價格受危機(jī)事件影響的變化量，與各客源國或地區(qū)的旅游人數(shù)受危機(jī)事件影響的減少量之間是存在長期穩(wěn)定的協(xié)整關(guān)系。

表3ADLM模型的邊限檢驗結(jié)果

4.2.2 影響因素分析

隨后，本文對處理后的15個客源國或地區(qū)的入境旅游人數(shù)和收入水平、自身價格、替代價格的減少百分比建立UECM模型，并遵循由一般到特殊(general-tospecific)的估計方法。相關(guān)評估和診斷檢驗見表4。所有模型都具有很高擬合優(yōu)度，擬合效果很好，同時通過了大部分的診斷檢驗，但幾乎未通過LM檢驗(澳大利亞除外)和RESET檢驗(中國澳門、馬來西亞和英國除外)，而中國臺灣、日本和菲律賓并未通過ARCH檢驗，可能原因在于滯后解釋變量和滯后因變量之間的高度相關(guān)性以及2008Q1至2011Q4的小樣本變量(Morley，2009)。

本文基于各客源國或地區(qū)收入水平、自身價格和替代價格的變化量，與各客源國或地區(qū)到中國旅游人數(shù)的減少量具有的長期協(xié)整關(guān)系，建立了UECM模型。表5呈現(xiàn)了UECM模型的長期彈性系數(shù)結(jié)果:收入水平、自身價格和替代價格的變化量為UECM模型的自變量，中國入境旅游人數(shù)的減少量為UECM模型的因變量。模型的長期彈性系數(shù)具有其自身的影響效應(yīng):當(dāng)彈性系數(shù)為正時，自變量對因變量將會起到正面效應(yīng);當(dāng)彈性系數(shù)為負(fù)時，自變量對因變量將會起到負(fù)面效應(yīng)。按照上述原則，本文首先分析收入水平、自身價格和替代價格的變化量對各客源國或地區(qū)到中國旅游人數(shù)的減少量的影響效應(yīng)。從收入水平看，除中國臺灣、菲律賓、新加坡和加拿大外，其他11個客源國或地區(qū)的旅游人數(shù)的減少都受到了收入水平變化的正面促進(jìn)。從自身價格看，15個客源國或地區(qū)中的8個的旅游人數(shù)的減少都受到自身價格變化的正面促進(jìn)，另外7個受到自身價格變化的負(fù)面促進(jìn)。從替代價格看，除英國外，其他14個客源國或地區(qū)的旅游人數(shù)的減少都受到替代價格變化的正面促進(jìn)。隨后，依據(jù)模型的彈性系數(shù)越大、貢獻(xiàn)率越大的原則，針對某個國家或地區(qū)的UECM模型，可以看到:除了中國臺灣、中國澳門、菲律賓、新加坡和加拿大外，其他10個客源國或地區(qū)收入水平變化的正面促進(jìn)貢獻(xiàn)率相比自身價格變化和替代價格變化的貢獻(xiàn)率均為最高，并且與自身價格和替代價格變化的正面促進(jìn)貢獻(xiàn)率相差較大。此外，中國臺灣、中國澳門、菲律賓、新加坡和加拿大受替代價格變化的正面促進(jìn)效應(yīng)最為顯著。由此可知:金融危機(jī)后，收入水平、自身價格和替代價格的變化都會對入境人數(shù)的減少起到促進(jìn)作用。游客在考慮到中國旅行時，個人收入成為大部分游客的決定因素，自身價格和替代價格的影響效果也不可忽視，金融危機(jī)等事件對旅游業(yè)的影響是全方位的，滲透到了與旅游需求相關(guān)的影響因素的方方面面。

表4 以PCH、PY、PPI和PPS建立的UECM模型的診斷和評估結(jié)果

表5 以PCH、PY、PPI和PPS建立的UECM模型長期彈性系數(shù)的估計結(jié)果

5 結(jié)論

本文采用了UECM模型、VAR模型、SARIMA模型、方差－協(xié)方差組合方法和邊限協(xié)整檢驗等，基于1991～2011年中國入境旅游相關(guān)季度數(shù)據(jù)，探究金融危機(jī)等事件下中國入境旅游需求的受損格局與影響機(jī)制。研究認(rèn)為:(1)金融危機(jī)后，各客源國或地區(qū)到中國旅游人數(shù)便開始受到顯著影響，開始時間主要集中在2008年第二季度。隨后，各客源國或地區(qū)紛紛制定了相關(guān)促進(jìn)政策，實施了相關(guān)應(yīng)急措施。雖然2010年恢復(fù)效果明顯，2011年也處于恢復(fù)期(相比2010年恢復(fù)效果稍弱)，但各客源國或地區(qū)到中國旅游人數(shù)受金融危機(jī)等事件影響的差異較大，與各客源國或地區(qū)到中國的距離遠(yuǎn)近無相關(guān)聯(lián)系。金融危機(jī)等事件對各客源國或地區(qū)到中國旅游的影響是全方位的，只是鑒于客源地的特性和抗危機(jī)能力，包括地區(qū)經(jīng)濟(jì)狀況、恢復(fù)策略和地理位置，出現(xiàn)了不同的受損幅度和恢復(fù)狀況。(2)金融危機(jī)席卷全球經(jīng)濟(jì)后，各客源國或地區(qū)經(jīng)濟(jì)形勢都發(fā)生了改變，各客源國或地區(qū)的收入水平、自身價格和替代價格相應(yīng)也發(fā)生了變化，收入水平、自身價格和替代價格的變化量與各客源國或地區(qū)旅游人數(shù)的減少量具有穩(wěn)定的協(xié)整關(guān)系，收入水平、自身價格和替代價格的變化最終導(dǎo)致了入境人數(shù)的減少。個人收入成為大部分游客在考慮到中國旅游時的決定因素，自身價格和替代價格的影響效果也不可忽視。金融危機(jī)等事件對旅游業(yè)的影響是全方位的，滲透到了旅游需求相關(guān)影響因素的方方面面。

本文主要探究中國入境市場受金融危機(jī)等事件的影響狀況，著眼于數(shù)據(jù)建模與數(shù)據(jù)分析，研究對象涉及15個主要客源國或地區(qū)，從而可能忽略各主要客源國或地區(qū)到中國旅行的具體深層次實際問題，缺乏針對某一主要客源國或地區(qū)到中國旅行的發(fā)展建議，同時限于篇幅，并未涉及各客源國或地區(qū)游客的動態(tài)分布規(guī)律。

致謝感謝香港理工大學(xué)酒店及旅游業(yè)管理學(xué)院宋海巖教授提供的數(shù)據(jù)。

［1］吳良平，張健.危機(jī)事件及政策變動對中國入境旅游的影響研究——基于剔除直接價格效應(yīng)的中國入境旅游收入［J］.旅游學(xué)刊，2013(3):29-37.

［2］Bonham C，Edmonds C，Mak J(2006).The impact of 9/11 and other terrible global events on tourism in the United States and Hawaii［J］.Journal of Travel Research，45(1):99-110.

［3］Chan K C，Witt S F，Lee Y C E，Song H(2010).Tourism forecast combination using CUSUM technique［J］.Tourism Management，31(6):891-897.

［4］Clemen R T，Winkler R L(1986).Combining economic forecasts［J］.Journal of Business and Economic Statistics，4(1):39-46.

［5］Crouch G I(1995).A meta-analysis of tourism demand［J］.Annals of Tourism Research，22 (1):103-118.

［6］Halicioglu F(2007).Residential electricity demand dynamics in Turkey［J］.Energy Economic，29(2):199-210.

［7］Kulendran N，Witt S F(2001).Cointegration versus least squares regression［J］.Annals of Tourism Research，28(2):291-311.

［8］Kuo H I，Chen C C，Tseng W C，Ju L F，Huang B W(2008).Assessing impacts of SARS and avian flu on international tourism demand to Asia［J］.Tourism Management，29(5):917-928.

［9］Li G，Song H，Witt S F(2005).Recent developments in econometric modelling and forecasting［J］.Journal of Travel Research，44(1):82-99.

［10］Li G，Song H，Witt S F(2006).Time varying parameter and fixed parameter linear AIDS:An application to tourism demand forecasting［J］.International Journal of Forecasting，22(1): 52-71.

［11］Lim C(1999).A meta-analytic review of international tourism demand［J］.Journal of Travel Research，37(3):273-284.

［12］Lim C，Chang C，McAleer M(2009).Forecasting h(m)otel guest nights in New Zealand［J］.International Journal of Hospitality Management，28(2):228-235.

［13］Morley C L(2009).Dynamics in the specification of tourism demand models［J］.Tourism Economics，15(1):23-39.

［14］Narayan P K(2004).Fiji’s tourism demand:The ARDL approach to cointegration［J］.Tourism Economic，10(2):193-206.

［15］Page S，Song H，Wu D C(2012).Assessing the impacts of the global economic crisis and swine flu on inbound tourism demand in the United Kingdom［J］.Journal of Travel Research，51(2): 142-153.

［16］Papatheodorou A，Rossello J，Xiao H(2010).Global economic crisis and tourism:Consequences and perspectives［J］.Journal of Travel Research，49(1):39-45.

［17］Pesaran M H，Shin Y，Smith R J(2001).Bounds testing approaches to the analysis of level relationships［J］.Journal of Applied Econometrics，16(3):289-326.

［18］Poudyal N C，Paudel B，Tarrant M A(2013).A time series analysis of the impact of recession on national park visitation in the United States［J］.Tourism Management，35(2):181-189.

［19］Prideaux B，Laws E，F(xiàn)aulkner B(2003).Events in indonesia:Exploring the limits to formal tourism trends forecasting methods in complex crisis situations［J］.Tourism Management，24 (4):475-487.

［20］Ritchie J R B，Molinar C M A，F(xiàn)rechtling D C(2010).Impacts of the world recession and economic crisis on tourism:North America［J］.Journal of Travel Research，49(1):5-15.

［21］Shen S，Li G，Song H(2008).An assessment of combining tourism demand forecasts over different time horizons［J］.Journal of Travel Research，47(2):197-207.

［22］Sims C A(1980).Macroeconomics and reality［J］.Econometrica，48(1):1-48.

［23］Smeral E(2009).The impact of the financial and economic crisis on European tourism［J］.Journal of Travel Research，48(1):3-13.

［24］Smeral E(2010).Impacts of the world recession and economic crisis on tourism:Forecasts and potential risks［J］.Journal of Travel Research，49(1):31-38.

［25］Song H，Gartner W C，Tasci A D A(2012).Visa restrictions and their adverse economic and marketing implications-Evidence from China［J］.Tourism Management，33(2):397-412.

［26］Song H，Li G(2008).Tourism demand modelling and forecasting:A review of recent research［J］.Tourism Management，29(2):203-220.

［27］Song H，Lin S(2010).Impacts of the financial and economic crisis on tourism in Asia［J］.Journal of Travel Research，49(1):16-30.

［28］Song H，Lin S，Witt S F，Zhang X(2011).Impact of financial/economic crisis on demand for hotel rooms in Hong Kong［J］.Tourism Management，32(1):172-186.

［29］Song H，Witt S F，Li G，Seddighi H，Teal F(2000).Tourism Demand Modelling and Forecasting:Modern Econometric Approaches［M］.Oxford:Pergamon.

［30］Song H，Witt S F，Wong K F，Wu D C(2009).An empirical study of forecast combination in tourism［J］.Journal of Hospitality and Tourism Research，33(1):3-29.

［31］Song H，Witt S F，Li G(2003).Modelling and forecasting the demand for Thai tourism［J］.Tourism Economics，9(4):363-387.

［32］Song H，Witt S F，Li G(2009).The Advanced Econometrics of Tourism Demand［M］.New York:Routledge.

［33］Song H，Wong K K F(2003).Tourism demand modeling:A time-varying parameter approach［J］.Journal of Travel Research，42(1):57-64.

［34］Song H，Wong K K F，Chon K K S(2003).Modelling and forecasting the demand for Hong Kong tourism［J］.International Journal of Hospitality Management，22(4):435-451.

［35］Tideswell C，Mules T，F(xiàn)aulkner B(2001).An integrative approach to tourism forecasting:Aglance in the rearview mirror［J］.Journal of Travel Research，40(2):162-171.

［36］Wang Y S(2009).The impact of crisis events and macroeconomic activity on Taiwan’s international inbound tourism demand［J］.Tourism Management，30(1):75-82.

［37］Witt S F，Witt C A(1995).Forecasting tourism demand:A review of empirical research［J］.International Journal of Forecasting，11(3):447-475.

［38］Witt S F，Witt C A(1991).Tourism forecasting:Error magnitude，direction of change error，and trend change error［J］.Journal of Travel Research，30(2):26-33.

［39］Witt S F，Song H，Louvieris P(2003).Statistical testing in forecasting model selection［J］.Journal of Travel Research，42(2):151-158.

［40］Wong K K F，Song H，Witt S F，Wu D C(2007).Tourism forecasting:to combine or not to combine?［J］.Tourism Management，28(4):1068-1078.

A Study on the Damage Pattern and the Impact Mechanism of China’s Inbound Tourism in Crisis Events

WU Liangping1，ZHANG Jian2
(1.School of Business，Sichuan Normal University，Chengdu 610101，China;
2.College of Mathematics and Software Science，Sichuan Normal University，Sichuan Chengdu 610068，China)

China is a cosmopolitan country famous for tourism，which receives numerous inbound tourists every year.However，inbound tourist arrivals varied due to the financial and economic crisis that happened in various regions of the world.This study explored into the damage pattern and the impact mechanism of China’s inbound tourism in crisis events based on the econometric model and statistical analysis method.The findings are that:(1)Tourist arrivals from all of the source markets display common affected features while the amplitudes of the impacts and the recovery are different.Furthermore，tourist arrivals from any of the source markets can recover to combination predicted values by the end of 2011.(2)There are co-integrated relationships between the changes of tourist arrivals and those of their three determinants for all of the source markets，and the decrease in tourist arrivals is almost attributed to the changes of the income level，the self price and the substitute price.It was also found that the change of income level turns out to be the primary determinant for most source markets，and the changes of the self price and the substitute price shouldn’t be ignored.

crisis Event;inbound tourism;forecast modeling;damage pattern;impact mechanism

F

A

1006－575(2016)－05－0037－15

(責(zé)任編輯:車婷婷)

2015－12－04;

2016－08－13

國家社科基金青年項目“‘一帶一路’背景下入境旅游統(tǒng)計分析及優(yōu)化布局研究”(16CGL026)。

吳良平(1987－)，男，博士，四川師范大學(xué)商學(xué)院講師，研究方向為應(yīng)用統(tǒng)計分析、旅游需求建模與預(yù)測，E-mail:wuliangping6@sina.com。張健(1964－)，男，博士，四川師范大學(xué)數(shù)學(xué)與軟件科學(xué)學(xué)院教授，博導(dǎo)，研究方向為應(yīng)用統(tǒng)計分析、數(shù)學(xué)物理方程。